Integración bioinformática de metodologías ómicas para el estudio de comunidades microbianas en suelos

Lucía Martina Ortiz Rocca; Marcela Susana Montecchia; Jorge Chalco Vera; Martin Moisés Acreche; Olga Susana Correa; Marcelo Abel Soria

Lucía Martina Ortiz Rocca Cátedra de Microbiología Agrícola, Facultad de Agronomía, Universidad de Buenos Aires
Marcela Susana Montecchia Universidad de Buenos Aires. Facultad de Agronomía. Cátedra de Microbiología Agrícola. Av. San Martín 4453 (CP1417), Instituto de Biociencias Agrícolas y Ambientales. INBA (UBA-CONICET) Av. San Martín 4453 (CP1417). C.A.B.A. Argentina
Jorge Chalco Vera INTA Estación Experimental Agropecuaria Salta-CONICET. Ruta Nac. 68, Km. 172, CP 4403, Cerrillos, Salta, Argentina.
Martin Moisés Acreche INTA Estación Experimental Agropecuaria Salta-CONICET. Ruta Nac. 68, Km. 172, CP 4403, Cerrillos, Salta, Argentina.
Olga Susana Correa Universidad de Buenos Aires. Facultad de Agronomía. Cátedra de Microbiología Agrícola. Av. San Martín 4453 (CP1417), Instituto de Biociencias Agrícolas y Ambientales. INBA (UBA-CONICET) Av. San Martín 4453 (CP1417). C.A.B.A. Argentina
Marcelo Abel Soria Universidad de Buenos Aires. Facultad de Agronomía. Cátedra de Microbiología Agrícola. Av. San Martín 4453 (CP1417), Instituto de Biociencias Agrícolas y Ambientales. INBA (UBA-CONICET) Av. San Martín 4453 (CP1417). C.A.B.A. Argentina

Palabras clave: metagenómica, secuenciación 16S rRNA, secuenciación ADN total, microbiota del suelo

Resumen

Las comunidades microbianas son esenciales en la dinámica y la sostenibilidad de los suelos. Presentamos un estudio bioinformático integrado de las respuestas de las comu-
nidades bacterianas del suelo a diferentes manejos agronómicos en caña de azúcar en un experimento de larga duración en la EEA INTA Famaillá. Se integraron tres fuentes de datos: abun-
dancia de genes mayormente relacionados con el flujo de gases de efecto invernadero, secuenciación masiva del gen 16S rRNA y secuenciación masiva de ADN total. Detectamos diferen -
cias en las abundancias de algunos genes funcionales. Luego usando qiime2 y otras herramientas analizamos el comportamiento de 12,000 variantes de secuencias derivados de 2.1 millones
de secuencias paired-end del gen 16S, y encontramos algunas diferencias cuantitativas en la composición de las comunidades. Con los datos de secuenciación masiva de ADN total (32
Giga bases) ensamblamos contigs (Megahit) y los agrupamos en bins (MaxBin2), obteniendo 374 genomas ensamblados de metagenomas (MAGs). Anotamos los MAGs de mejor calidad
con EggNog. El estudio integrado y secuencial nos permitió mantener bajos los costos de la etapa más cara (secuenciación de ADN total) y nos permitió acelerar el descubrimiento de los
genomas de interés para los objetivos del estudio.